Comparação de Atributos Estilométricos para Identificação de Autoria de Escrita: Um Estudo de Caso de Guimarães Rosa versus Clarice Lispector
Resumo
Quando um escritor se expressa, deve se decidir entre uma série de escolhas, tais como quais palavras/expressões usar ou como deve ser a pontuação da leitura. Essas escolhas definem as características individuais do escritor e a estilometria é o estudo quantitativo desse estilo de escrita. A proposta deste trabalho é conseguir identificar os livros de dois escritores com estilos bem definidos, Guimarães Rosa e Clarice Lispector, por meio dos atributos léxicos de seus textos: frequência de letras, frequência de palavras e TF-IDF. A comparação dos atributos é feita pela distância euclidiana, similaridade cosseno e similaridade de Jaccard. Os resultados mostram que o uso do conjunto de palavras com similaridade de Jaccard foi possível separar os livros por sua autoria.
Palavras-chave:
atributos léxicos, distância euclidiana, similaridade cosseno, similaridade de Jaccard
Referências
Abbasi, A. and Chen, H. (2008). Writeprints: A stylometric approach to identity-level identification and similarity detection in cyberspace. ACM Transactions on Information Systems (TOIS), 26(2):7.
Akimushkin, C., Amancio, D. R., and Oliveira Jr, O. N. (2017). Text authorship identified using the dynamics of word co-occurrence networks. PloS one, 12(1):e0170527.
Alzahrani, S. M., Salim, N., and Abraham, A. (2011). Understanding plagiarism linguistic patterns, textual features, and detection methods. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 42(2):133–149.
Amancio, D. R., Oliveira Jr, O. N., and Costa, L. d. F. (2015). Topological-collaborative approach for disambiguating authors’ names in collaborative networks. Scientometrics, 102(1):465–485.
Antiqueira, L., Pardo, T. A. S., Nunes, M. d. G. V., and Oliveira Jr, O. N. (2007). Some issues on complex networks for author characterization. Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, 11(36):51–58.
Bueno, L. (2001). Guimarães, Clarice e antes. Teresa, (2):249–261.
Corso, G., Fossa, C. R., and de Oliveira, G. B. (2005). Uma aplicação da teoria de redes a estilometria: Comparando machado de assis e tribuna do norte. Revista Brasileira de Ensino de Fı́sica, 27(2):389–393.
Gamon, M. (2004). Linguistic correlates of style: authorship classification with deep linguistic analysis features. In Proceedings of the 20th international conference on Computational Linguistics, page 611. Association for Computational Linguistics.
Ghosh, J. and Strehl, A. (2006). Similarity-based text clustering: a comparative study. In Grouping Multidimensional Data, pages 73–97. Springer.
Honório, T. C. S., Nobre Neto, F. D., Almeida, T. P., Duarte, R. C. M., Barbosa, Y. A. M., Rocha, V. M., and Batista, L. V. (2007). Atribuição de autoria com WEKA. In Anais do IX Encontro de Extensão e X Encontro de Iniciação, pages 42–42. Editora Universitária/UFPB.
Jimenez, S., Gonzalez, F. A., and Gelbukh, A. (2016). Mathematical properties of soft cardinality: Enhancing jaccard, dice and cosine similarity measures with element-wise distance. Information Sciences, 367:373–389.
Juola, P. (2013). Stylometry and immigration: A case study. Journal of Law and Policy, 21(2):287–298.
Koppel, M. and Schler, J. (2003). Exploiting stylistic idiosyncrasies for authorship attribution. In Proceedings of IJCAI’03 Workshop on Computational Approaches to Style Analysis and Synthesis, volume 69, pages 72–80.
Kutuzov, A. and Kuzmenko, E. (2015). Comparing neural lexical models of a classic national corpus and a web corpus: the case for russian. In International Conference on Intelligent Text Processing and Computational Linguistics, pages 47–58. Springer.
Leydesdorff, L. (2008). On the normalization and visualization of author co-citation data: Salton’s cosine versus the Jaccard index. Journal of the American Society for Information Science and Technology, 59(1):77–85.
Lima, J. M. C. and Maia, J. E. B. (2018). A topical word embeddings for text classification. In Anais do XV Encontro Nacional de Inteligência Artificial e Computacional, pages 25–35. SBC.
López-Escobedo, F., Solorzano-Soto, J., and Sierra Martı́nez, G. (2016). Analysis of intertextual distances using multidimensional scaling in the context of authorship attribution. Journal of Quantitative Linguistics, 23(2):154–176.
Nunes, B. (1989). O drama da linguagem: uma leitura de Clarice Lispector, volume 12. łica.
Pavelec, D., Justino, E., and Freitas, C. (2006). Identificação da autoria de documentos digitais com base em atributos estilométricos da lı́ngua portuguesa. In TIL-06, 4o workshop em Tecnologia da Informaçao e da Linguagem Humana, pages 1659–1668.
Rosa, J. G., de Athayde Sandroni, L. C. A., and de Aguiar, F. W. (2006). João Guimarães Rosa. Editora Nova Fronteira.
Sundararajan, K. and Woodard, D. (2018). What represents “style” in authorship attribution? In Proceedings of the 27th International Conference on Computational Linguistics, pages 2814–2822.
Varela, P. J., Justino, E. J., and Oliveira, L. E. (2011). Identificação de autoria de textos através do uso de classes linguı́sticas da lı́ngua portuguesa (authorship identification using linguistic classes for portuguese)[in portuguese]. In Proceedings of the 8th Brazilian Symposium in Information and Human Language Technology.
Venčkauskas, A., Damaševičius, R., Marcinkevičius, R., and Karpavičius, A. (2015)blems of authorship identification of the national language electronic discourse. In International Conference on Information and Software Technologies, pages 415–432. Springer.
Yule, G. U. (1939). On sentence-length as a statistical characteristic of style in prose: With application to two cases of disputed authorship. Biometrica, 30:363–390.
Akimushkin, C., Amancio, D. R., and Oliveira Jr, O. N. (2017). Text authorship identified using the dynamics of word co-occurrence networks. PloS one, 12(1):e0170527.
Alzahrani, S. M., Salim, N., and Abraham, A. (2011). Understanding plagiarism linguistic patterns, textual features, and detection methods. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 42(2):133–149.
Amancio, D. R., Oliveira Jr, O. N., and Costa, L. d. F. (2015). Topological-collaborative approach for disambiguating authors’ names in collaborative networks. Scientometrics, 102(1):465–485.
Antiqueira, L., Pardo, T. A. S., Nunes, M. d. G. V., and Oliveira Jr, O. N. (2007). Some issues on complex networks for author characterization. Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, 11(36):51–58.
Bueno, L. (2001). Guimarães, Clarice e antes. Teresa, (2):249–261.
Corso, G., Fossa, C. R., and de Oliveira, G. B. (2005). Uma aplicação da teoria de redes a estilometria: Comparando machado de assis e tribuna do norte. Revista Brasileira de Ensino de Fı́sica, 27(2):389–393.
Gamon, M. (2004). Linguistic correlates of style: authorship classification with deep linguistic analysis features. In Proceedings of the 20th international conference on Computational Linguistics, page 611. Association for Computational Linguistics.
Ghosh, J. and Strehl, A. (2006). Similarity-based text clustering: a comparative study. In Grouping Multidimensional Data, pages 73–97. Springer.
Honório, T. C. S., Nobre Neto, F. D., Almeida, T. P., Duarte, R. C. M., Barbosa, Y. A. M., Rocha, V. M., and Batista, L. V. (2007). Atribuição de autoria com WEKA. In Anais do IX Encontro de Extensão e X Encontro de Iniciação, pages 42–42. Editora Universitária/UFPB.
Jimenez, S., Gonzalez, F. A., and Gelbukh, A. (2016). Mathematical properties of soft cardinality: Enhancing jaccard, dice and cosine similarity measures with element-wise distance. Information Sciences, 367:373–389.
Juola, P. (2013). Stylometry and immigration: A case study. Journal of Law and Policy, 21(2):287–298.
Koppel, M. and Schler, J. (2003). Exploiting stylistic idiosyncrasies for authorship attribution. In Proceedings of IJCAI’03 Workshop on Computational Approaches to Style Analysis and Synthesis, volume 69, pages 72–80.
Kutuzov, A. and Kuzmenko, E. (2015). Comparing neural lexical models of a classic national corpus and a web corpus: the case for russian. In International Conference on Intelligent Text Processing and Computational Linguistics, pages 47–58. Springer.
Leydesdorff, L. (2008). On the normalization and visualization of author co-citation data: Salton’s cosine versus the Jaccard index. Journal of the American Society for Information Science and Technology, 59(1):77–85.
Lima, J. M. C. and Maia, J. E. B. (2018). A topical word embeddings for text classification. In Anais do XV Encontro Nacional de Inteligência Artificial e Computacional, pages 25–35. SBC.
López-Escobedo, F., Solorzano-Soto, J., and Sierra Martı́nez, G. (2016). Analysis of intertextual distances using multidimensional scaling in the context of authorship attribution. Journal of Quantitative Linguistics, 23(2):154–176.
Nunes, B. (1989). O drama da linguagem: uma leitura de Clarice Lispector, volume 12. łica.
Pavelec, D., Justino, E., and Freitas, C. (2006). Identificação da autoria de documentos digitais com base em atributos estilométricos da lı́ngua portuguesa. In TIL-06, 4o workshop em Tecnologia da Informaçao e da Linguagem Humana, pages 1659–1668.
Rosa, J. G., de Athayde Sandroni, L. C. A., and de Aguiar, F. W. (2006). João Guimarães Rosa. Editora Nova Fronteira.
Sundararajan, K. and Woodard, D. (2018). What represents “style” in authorship attribution? In Proceedings of the 27th International Conference on Computational Linguistics, pages 2814–2822.
Varela, P. J., Justino, E. J., and Oliveira, L. E. (2011). Identificação de autoria de textos através do uso de classes linguı́sticas da lı́ngua portuguesa (authorship identification using linguistic classes for portuguese)[in portuguese]. In Proceedings of the 8th Brazilian Symposium in Information and Human Language Technology.
Venčkauskas, A., Damaševičius, R., Marcinkevičius, R., and Karpavičius, A. (2015)blems of authorship identification of the national language electronic discourse. In International Conference on Information and Software Technologies, pages 415–432. Springer.
Yule, G. U. (1939). On sentence-length as a statistical characteristic of style in prose: With application to two cases of disputed authorship. Biometrica, 30:363–390.
Publicado
15/10/2019
Como Citar
GALINA, Raido; FLORES, Diego; KOMATI, Karin.
Comparação de Atributos Estilométricos para Identificação de Autoria de Escrita: Um Estudo de Caso de Guimarães Rosa versus Clarice Lispector. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 16. , 2019, Salvador.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 353-364.
ISSN 2763-9061.
DOI: https://doi.org/10.5753/eniac.2019.9297.
